DeepSeek rende open source dsh-superagent: il blueprint del Super-agent diventa pubblico

I fatti, come verificati (31 ott)

• Il repository, verificato direttamente. deepseek-ai/dsh-superagent-prototype, descrizione "Towards a More Autonomous Agent System", licenza MIT, creato 2026-10-31T09:32:46Z, oltre 1.500 stelle nel giorno. La prima riga del README inquadra tutto: prototipo di ricerca, solo riferimento, non un prodotto ufficiale DeepSeek; nato dal lavoro quotidiano del team, con gran parte dell'ingegneria fatta da agenti di coding.
• Cosa gira davvero. Un agente di coding proattivo limitato a un singolo repository GitHub, distribuito come bundle per DeepSeek Harness. Ascolta GitHub e, a scelta, Feishu. Quando una persona autorizzata chiede lavoro, apre un work item, lo esegue nella propria sessione e directory e risponde nella conversazione originale — per esempio con una pull request. Un pannello web evidenzia cosa richiede una persona.
• La filosofia, alla lettera. "Prendi quanta meno attenzione umana possibile, e restituisci più valore possibile." L'agente agisce solo su richiesta o quando lo consente una regola scritta dal team, e parla solo quando qualcuno deve agire o può usare un risultato — perché un agente che può agire per un intero team può anche sprecare l'attenzione di un intero team.
• L'architettura nel documento (come riportato da QbitAI): un Super-agent con quattro proprietà — continuità (contesto tra sessioni e piattaforme), efficienza (worker paralleli), proattività (esecuzione speculativa: trovare bug, riprodurli e aprire PR di fix senza che nessuno lo chieda) e persistenza (online 24/7 con auto-ripristino). La forma è un Router (riceve messaggi, assegna task, detiene il contesto globale) che smista a un pool di sessioni Worker, con calcolo, stato e ambiente di esecuzione separati, così il cloud continua a girare quando il dispositivo va offline. Un Watchdog — AI che supervisiona AI — rileva guasti, loop inutili e derive dagli obiettivi, e interviene.
• Gli internals del repo confermano lo split. La sessione principale esegue dsh-superagent-router con un set di strumenti ridotto; i sotto-agenti worker girano sul preset standard di DeepSeek Harness con i permessi del worker e perdono gli strumenti a fine ticket. I Worker raggiungono GitHub via gh dell'account agente e Feishu via lark-cli; un meccanismo WorkerSlots riserva capacità prima di svegliare worker inattivi.
• I numeri, e il loro peso. Nell'ambiente simulato del documento — circa 300 messaggi, 20 richieste di lavoro, cinque esecuzioni per configurazione — il Super-agent ha completato i task con mediana di 12,4 minuti e 95° percentile di 15,7, contro 29,5 p95 per una baseline tradizionale a sessione singola. Un'ablazione aggiunge la prospettiva costo: rimuovere il pass-through diretto degli eventi ha aumentato le decisioni del Router di circa il 30% e i token letti in cache di circa il 37%. Sono misure di DeepSeek sul proprio design, non un benchmark indipendente.

Verificato sul repository GitHub (letto direttamente il 31 ottobre 2026) e sul report di QbitAI relativo al documento di ingegneria di DeepSeek. Per questo articolo non è stato eseguito alcun deployment o replica di benchmark; i tempi di completamento sono attribuiti alla loro fonte.

Contesto: DeepSeek investe sul layer runtime

Due meccanismi del documento contano quanto i benchmark. Handoff a sottoscrizione: una volta che un Worker prende in carico un thread (ad esempio una PR GitHub), sottoscrive direttamente i commenti successivi invece di instradare ogni evento attraverso il Router — l'ablazione sopra mostra che è una feature di costo, non solo di latenza. Filtro eventi a due livelli: prima le regole di programma, e solo il resto ambiguo passa al giudizio di un modello. Entrambi sono ingegneria del costo dei token al layer architetturale — la stessa leva del pricing sull'input in cache, applicata nel codice.

Il documento descrive inoltre un loop ReAct asincrono che continua ad accettare nuove istruzioni mentre un task lungo gira, e nota che è già implementato in DeepSeek Harness (non abilitato di default); il repository atterra esattamente lì: dsh-superagent è un bundle Harness. DeepSeek continua a investire sopra l'API — Harness come runtime per agenti (la nostra copertura sull'input multimodale), framework di terze parti che integrano DeepSeek (lo stack Hermes-on-DeepSeek) e ora un riferimento full-stack con opinioni forti per agenti always-on.

Sul "dsh dot" di cui si vocifera: la lettura di QbitAI è che la community abbia ricevuto prima architettura e prototipo, senza alcun prodotto consumer annunciato. Trattatela come riportata; e trattate questo rilascio come il segnale che conta davvero per chi costruisce — le decisioni di design sono pubbliche, eseguibili e sotto licenza MIT.

Cosa significa per chi costruisce

Per provare il prototipo: il setup è volutamente assistito dagli agenti — SETUP.md vi dice di far installare e configurare tutto al vostro coding agent, una domanda breve alla volta. I documenti numerati (da 000 filosofia a 008 cookbook) vanno letti in ordine, pnpm check esegue typecheck, test e build, e la MIT permette ogni adattamento. Mettete in conto anche l'avvertenza del README: codice di ricerca, possibili bug, stile incoerente — revisionatelo prima di puntarlo su qualcosa a cui tenete.

La parte trasferibile è l'insieme di pattern, e nessuno richiede il prototipo: (1) un Router a contesto ridotto che smista, con sessioni Worker corpose che lavorano — la disciplina del contesto è disciplina del costo; (2) filtro eventi prima-regole-poi-LLM, così il codice economico paga per l'ovvio; (3) sottoscrizione diretta dopo l'handoff, così il dispatcher smette di pagare per thread che non possiede più; (4) un loop asincrono così un task da 15 minuti non assorda l'agente; (5) un watchdog così un agente 24/7 fallisce rumorosamente invece di marcire in silenzio. Tutti e cinque girano su normali endpoint DeepSeek OpenAI-compatibili — le stesse famiglie di modelli coperte dalla guida API DeepSeek e dalla tabella comparativa.

Tre segnali da seguire per il seguito: un URL pubblico per il documento stesso, movimenti verso l'agente consumer di cui si vocifera, e se i bundle Harness diventeranno un canale di distribuzione in cui anche altri team pubblicano. Se uno di questi si muove, questa pagina riceve una voce di aggiornamento.

Accesso da fuori dalla Cina — e il solito disclaimer

Questo sito traccia le API dei modelli cinesi per i builder internazionali: endpoint ufficiali, prezzi e stato open source. La guida API DeepSeek copre l'endpoint OpenAI-compatibile e la lineup di modelli dietro questo ecosistema; la tabella comparativa contiene la scala cross-vendor.

Dichiarazione di indipendenza: ChinaModelAPI è un sito informativo indipendente, non affiliato a DeepSeek né ad alcun vendor. I fatti qui derivano dal repository ufficiale (letto direttamente) e da report esplicitamente attribuiti; le cifre dei benchmark sono del vendor e non verificate; nulla in questa pagina è una promessa di routing, disponibilità o prodotto.

Fonti primarie

• GitHub — deepseek-ai/dsh-superagent-prototype (MIT, creato il 2026-10-31; README, docs 000–008, SETUP.md)
• Report QbitAI (量子位), 31 ott 2026 — il documento di ingegneria "Exploring Super-agent Design: Towards a More Autonomous Agent System" e i dettagli dei benchmark
• Riferimenti interni: DeepSeek Harness input multimodale · stack Hermes on DeepSeek · aggiornamento V4.1-Flash-1017 · guida API DeepSeek

FAQ (2026)